Makine öğrenmesi yaklaşımları kullanılarak denim kumaşlarda kusur tespiti

Abstract

Tekstil sektöründe, mamul kumaş üzerindeki üretim hatalarının tespiti, kalite kontrol aşamasında yapılan en önemli ve maliyetli işlerdendir. Kumaşlar konfeksiyon aşamasına gelmeden kontrol edilir ve hatalı kısımlar kumaşın içinden parça halinde kesilerek alınır. Bu durum fireye yani üretimde düşüşe yol açmaktadır. Eğer kontrol esnasında fark edilememiş veya parça alımı ile fireye ayırılamamış kusurlar varsa bu kumaşlarda ikinci kaliteye düşmektedir. Kalite kontrol sonrası top kesim işleminde ayrılan hatalı parça kumaşlar veya fark edilmeyerek müşteriye gönderilmiş ikinci kalite ürünler ciddi maliyetlere sebep olmaktadır. İnsan gözüyle yapılan kalite kontrol işlemi, iş gücü ve zaman olarak oldukça maliyetli olmasına rağmen başarı istenildiği kadar yüksek değildir. Bu nedenle kalite kontrol aşamasında otomatik ve akıllı sistemlerin kullanımı için çalışmalar yapılmaktadır. Bu çalışmada, %100 pamuk ipliğinden üretilmiş ve indigo boyarmaddesi ile boyanmış olan denim kumaşlardaki hataların tespiti ve sınıflandırılması için görüntü işleme yöntemleri önerilmektedir. Yapılan çalışmada görüntü işleme algoritmaları kullanılarak hata tespiti yapılan kumaş görüntülerinden, özellik çıkarımı ile sayısal veri elde edilmiştir. Oluşturulan özellik matrisi beş farklı algoritmada incelenmiş, hatalı ve hatasız görüntünün ayrımı sağlanmıştır. Yapılan karşılaştırmalarda en iyi performans gösteren algoritmanın J48 Karar Ağacı Algoritması olduğu görülmüştür.

In the textile sector, the detection of production defects on the finished fabric is one of the most important and costly works performed during the quality control stage. The fabrics are checked before they come to the ready to wear stage and the faulty parts are cut into pieces from the fabric. This situation leads to loss of production. If there are any defects that cannot be noticed during the inspection or cannot be separated these fabrics fall to the second quality. After quality control, faulty piece fabrics separated in the finished fabric inspection & roll machine or second quality products sent to the customer unnoticed cause serious costs. Although the quality control process performed by the human eye is quite costly in terms of labor and time, its performance is not as high as desired. For this reason, studies are carried out for the use of automatic and intelligent systems in the quality control stage. In this study, image processing methods are proposed for the detection and classification of defects in denim fabrics produced from 100% cotton yarn and dyed with indigo dyestuff. In this study, numerical data were obtained from feature images which were detected by using image processing algorithms. The feature matrix was examined using five different algorithms and the distinction between error and error-free image was provided. The best performing algorithm was found to be the J48 Decision Tree Algorithm and Logistic Regression.